Clasificación de usos y coberturas del suelo del sudeste de la provincia de Buenos Aires utilizando Google Earth Engine
La información sobre el uso y el relevamiento de los cambios de cobertura permite articular políticas para la explotación sustentable de los recursos. Los sensores remotos, montados en plataformas satelitales, proveen una cobertura completa de la superficie terrestre, y es posible modelar la información registrada para realizar predicciones. En este trabajo se realizó una clasificación supervisada para estimar el uso del suelo en los partidos de San Cayetano, Tres Arroyos y Necochea, ubicados en el sur de la provincia de Buenos Aires, para la campaña 2015-2016. El proceso de clasificación combinó la capacidad de procesamiento de la plataforma Google Earth Engine con información terrestre para cada subcampaña (invierno y verano) provista por el Método de relevamiento de Segmentos Aleatorios realizado por el Ministerio de Agricultura, Ganadería y Pesca, el cual consiste en el muestreo de áreas permanentes (segmentos) de 400 hectáreas. Estas áreas son visitadas periódicamente por técnicos que constatan los cultivos presentes y el porcentaje de ocupación de cada cultivo. Esta información se utilizó para entrenar el algoritmo de clasificación Random Forest, el cual combinó información de reflectancia superficial registrada en las bandas del espectro visible, infrarrojo cercano e infrarrojo medio del satélite Landsat 8. Se realizaron tres submuestreos (denominados total, balanceado y proporcional) con la intención de evaluar la respuesta del algoritmo frente a distintos volúmenes de datos. En este trabajo se evaluaron, además, distintas aproximaciones para la estimación de área, ya sea estimando el uso por subcampaña (invierno y verano), y a escala de campaña anual. Para los usos y coberturas obtenidas se estimaron los valores de superficie poblacional por cultivo, tanto de manera puntual como por intervalo de confianza del 95%, siguiendo la metodología propuesta por Olofsson et al. (2014). Los resultados sugieren que el muestreo balanceado permite obtener mejores precisiones que los otros dos tipos de muestreo, con una precisión general entre 77 y 92%, y precisiones del usuario y del productor superiores al 75% en la mayoría de los usos. No solo las precisiones difirieron entre clasificaciones (invierno, verano y anual), sino que también se observaron diferencias en cuanto a la superficie estimada por cada una de ellas. A su vez, las superficies estimadas presentaron importantes diferencias respecto a los datos reportados por el Ministerio de Agricultura, Ganadería y Pesca de la Nación en base a informantes calificados, ubicandose estos valores, en la gran mayoría de los casos, por fuera del intervalo de confianza estimado por las clasificaciones. Estas diferencias observadas plantean la necesidad de incorporar nuevas metodologías de estimación que permitan un abordaje estadístico de manera de mejorar y complementar los métodos de estimación existentes.
| Main Authors: | , |
|---|---|
| Format: | manuscripttext biblioteca |
| Language: | spa |
| Published: |
2022
|
| Subjects: | UTILIZACION DE LA TIERRA, SENSORES REMOTOS, CAMBIO DE USO DE LA TIERRA, COBERTURA DE SUELOS, CLASIFICACION DE TIERRAS, MUESTREO, TECNICAS ANALITICAS, REGION PAMPEANA, BUENOS AIRES [PROVINCIA], |
| Online Access: | http://ceiba.agro.uba.ar/cgi-bin/koha/opac-detail.pl?biblionumber=54585 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | La información sobre el uso y el relevamiento de los cambios de cobertura permite articular políticas para la explotación sustentable de los recursos. Los sensores remotos, montados en plataformas satelitales, proveen una cobertura completa de la superficie terrestre, y es posible modelar la información registrada para realizar predicciones. En este trabajo se realizó una clasificación supervisada para estimar el uso del suelo en los partidos de San Cayetano, Tres Arroyos y Necochea, ubicados en el sur de la provincia de Buenos Aires, para la campaña 2015-2016. El proceso de clasificación combinó la capacidad de procesamiento de la plataforma Google Earth Engine con información terrestre para cada subcampaña (invierno y verano) provista por el Método de relevamiento de Segmentos Aleatorios realizado por el Ministerio de Agricultura, Ganadería y Pesca, el cual consiste en el muestreo de áreas permanentes (segmentos) de 400 hectáreas. Estas áreas son visitadas periódicamente por técnicos que constatan los cultivos presentes y el porcentaje de ocupación de cada cultivo. Esta información se utilizó para entrenar el algoritmo de clasificación Random Forest, el cual combinó información de reflectancia
superficial registrada en las bandas del espectro visible, infrarrojo cercano e infrarrojo medio del satélite Landsat 8. Se realizaron tres submuestreos (denominados total, balanceado y
proporcional) con la intención de evaluar la respuesta del algoritmo frente a distintos volúmenes de datos. En este trabajo se evaluaron, además, distintas aproximaciones para la estimación de área, ya sea estimando el uso por subcampaña (invierno y verano), y a escala de campaña anual.
Para los usos y coberturas obtenidas se estimaron los valores de superficie poblacional por cultivo, tanto de manera puntual como por intervalo de confianza del 95%, siguiendo la metodología propuesta por Olofsson et al. (2014). Los resultados sugieren que el muestreo balanceado permite obtener mejores precisiones que los otros dos tipos de muestreo, con una
precisión general entre 77 y 92%, y precisiones del usuario y del productor superiores al 75% en la mayoría de los usos. No solo las precisiones difirieron entre clasificaciones (invierno, verano y
anual), sino que también se observaron diferencias en cuanto a la superficie estimada por cada una de ellas. A su vez, las superficies estimadas presentaron importantes diferencias respecto a los datos reportados por el Ministerio de Agricultura, Ganadería y Pesca de la Nación en base a informantes calificados, ubicandose estos valores, en la gran mayoría de los casos, por fuera del intervalo de confianza estimado por las clasificaciones. Estas diferencias observadas plantean la
necesidad de incorporar nuevas metodologías de estimación que permitan un abordaje estadístico de manera de mejorar y complementar los métodos de estimación existentes. |
|---|